CX-denktank deelt hoe CX AI kan inzetten om een plek aan de bestuurstafel te verdienen

Jim Tincher is een toonaangevende denker en onderzoeker op het gebied van CX. Hij is ook de oprichter van Heart of the Customer, een gespecialiseerd E2E-bedrijf voor klantervaring dat complexe organisaties ondersteunt.

We gingen met Jim in gesprek om te leren wat hij in zijn onderzoek ziet. Hij ging uitgebreid in op het gebruik van AI om klantreizen te verbeteren.

Een carrière in CX en onderzoek

Ik ben Jim Tincher, oprichter en CEO van Heart of the Customer. We doen dit al sinds 2012.

Ik geef geen leiding aan een afdeling voor klantervaring — ik adviseer de leidinggevenden die verantwoordelijk zijn voor de groeidoelstellingen: commercieel directeuren, vice presidents voor verkoop en bedrijfsvoering en CEO's. We werken in B2B; ons diepgaandste werk vindt plaats in de productie: BASF, Dow, Milliken, Xylem, Legrand, Vermeer.

Ik leid ook de onderzoeksanalyse voor het Advanced Manufacturing CX Consortium — zeventien fabrikanten die samen jaarlijks bijna 10.000 van hun klanten ondervragen om vast te stellen wat ervoor zorgt dat een klant groeit met een leverancier.

Waarom AI moet worden gebruikt voor data, niet voor relaties

Met de vooruitgang van AI hebben we onze analysemethode veranderd, niet onze klantrelaties. — een bewuste onderscheiding.

Vorig jaar interviewde ik 34 C-suite-managers om te ontdekken wat voor hen het belangrijkst was, en het antwoord was (niet verrassend) "groei". Alle 34 waren het daarmee eens, dus gebruiken we dat als uitgangspunt voor alles.

Uit onze benchmark bleek dat de drie belangrijkste voorspellers van klantgroei allemaal relatiesignalen zijn: zich gewaardeerd voelen, de accountrelatie en het aankoopproces; niet het gemak van zakendoen, tevredenheid of andere gebruikelijke CX-maatstaven. Daardoor ben ik voorzichtig met het automatiseren van gebieden waarin klanten beslissen of hun bedrijf belangrijk voor je is. Het wegnemen van het menselijke element kan juist de signalen verwijderen die klanten gebruiken om te beoordelen of ze met je willen groeien.

Daarom passen we AI in plaats daarvan toe op analyse — we analyseren gesprekken, open antwoorden en andere communicatie. Honderden gesprekken handmatig lezen, coderen en er patronen in vinden is tijdrovend en beperkt onze capaciteit. Maar met Claude en een transcriptietool kunnen we in de geschiedenis van een volledige samenwerking naar patronen zoeken, in plaats van telkens slechts één contactmoment te bekijken.

Dankzij AI konden we zoeken in meer dan 800 B2B-interviews in onze data en structuur vinden die we eerder niet konden zien. Vervolgens toetsten we de hiërarchie met vier niveaus, die voorspelt welk deel van de bestedingen van een klant je zult ontvangen, aan de hand van eenentwintig afzonderlijke datasets van klanten. Ik had die analyse op die schaal niet handmatig kunnen uitvoeren.

Een werkproces dat een gerangschikte lijst oplevert van stappen die in de klantreis moeten worden verbeterd

Hier is een werkproces dat eindigt met een gerangschikte lijst van stappen in de klantreis die moeten worden verbeterd, gerangschikt op basis van de omzet die op het spel staat.

Het begint met gesprekken, niet met enquêtes. We interviewen de klanten van een klant rechtstreeks — de koper, de fabrieksmanager, de leidinggevende die het contract ondertekent — en nemen die gesprekken op en schrijven ze uit met Fireflies.

Daar lag de oude beperking. Een analist leest wat hij of zij tijd heeft om te lezen, en die bovengrens bepaalt elke conclusie. Je neemt een steekproef, vindt een patroon in de steekproef en hoopt dat de steekproef representatief was.

Vervolgens verzamelt de analist de eerste bevindingen — het verhaal, de belangrijkste thema's.

Daarna wenden we ons tot Claude. Claude leest elk transcript volledig. Het haalt letterlijk naar voren wat klanten hebben gezegd, met de bron erbij: wie het zei, in welk gesprek en waar in het gesprek. Die herkomst is belangrijker dan de snelheid. Wanneer een klant een bevinding betwist, verdedigen we die niet. We laten het citaat zien.

Daarna voeren we de analyse uit, en dit deel is niet geautomatiseerd.

Jim deelt

De taakverdeling is essentieel. AI nam een leesbeperking weg. Het had geen invloed op het beoordelingsvermogen — beslissen wat je moet vragen, herkennen welke patronen belangrijk zijn en weten wanneer een klant je iets vertelt waarvan hij of zij niet weet dat diegene het vertelt.

Bespreekt deze klant nog steeds basisfunctionaliteit? Of bespreken ze of ze op onze klant kunnen rekenen wanneer zaken ingewikkeld worden? Of ze zich gewaardeerd voelen? Dat geeft ons een positie, geen score.

Daarna brengen we dit in kaart over de hele klantreis. Er ontstaat een curve — het vertrouwen groeit bij deze stap en neemt bij die stap af. De meeste klanten hebben hun relatie nog nooit op die manier bekeken. Ze hebben één tevredenheidscijfer voor de hele relatie gezien, waardoor de exacte plek waar schade ontstaat aan het zicht wordt onttrokken.

We verbinden breuken met accounts en accounts met geld. Niet: "klanten zijn gefrustreerd bij deze stap." Maar: het vertrouwen daalt hier, deze elf accounts bevinden zich onder die lijn en zo is hun bestedingspatroon in de afgelopen vier kwartalen veranderd.

Die volgorde is juist het punt. De meeste bedrijven stellen prioriteiten op basis van het aantal klachten — wat bijna willekeurig is, omdat accounts die stilletjes van plan zijn te vertrekken meestal geen klachten indienen.

Tot slot gebruiken we Reduct om de belangrijkste citaten om te zetten in video's, zodat de stem van de klant wordt gedeeld.

De taakverdeling is essentieel. AI heeft een leesbeperking weggenomen. Het had geen invloed op het beoordelingsvermogen — beslissen wat je moet vragen, herkennen welke patronen ertoe doen, weten wanneer een klant je iets vertelt zonder te beseffen dat hij dat doet. Dit vertegenwoordigt veertien jaar werk en kan niet worden geautomatiseerd.

Waarom herstel van de dienstverlening menselijk moet blijven

Daarom trek ik hier de grens: AI voor de gegevens, mensen wanneer klanten beslissen of ze belangrijk voor je zijn. AI neemt geen beslissingen — noch over CX, noch over andere zaken — hoewel ik het gebruik om mijn beslissingen te onderbouwen.

AI kan dus het best worden gebruikt voor

• Het vinden van patronen in gesprekken en open antwoorden.
• Vaststellen welke problemen daadwerkelijk geld kosten — de meeste bedrijven stellen prioriteiten op basis van het aantal klachten, een bijna willekeurige methode.
• Het opsporen van accounts die stil zijn geworden, accounts met een smaller wordende orderbreedte of accounts waarvan de taal is veranderd. Mensen missen dit signaal omdat niemands taak erin bestaat hierop te letten.

De belangrijkste plek om zaken menselijk te houden is het herstel van de dienstverlening. Onze gegevens zijn hier onverbloemd: klanten die volledig tevreden zijn met de oplossing van een probleem verminderen hun bestedingen 1% van de tijd. Klanten die niet tevreden zijn met de oplossing verminderen hun bestedingen 35% van de tijd. En klanten die "enigszins tevreden" zijn, gedragen zich meer als ontevreden klanten dan als tevreden klanten. Gedeeltelijke oplossingen tellen als geen oplossing.

Deze laatste bevinding is het echte argument. Automatisering blinkt uit in het op grote schaal leveren van toereikende resultaten. Juist op het punt van toereikendheid houdt groei op.

Voor escalatie zou ik het opsplitsen: laat AI het account met risico vinden en laat vervolgens een mens bellen. Detectie is een gegevensprobleem. Herstel is een relatieprobleem. En ik ben het meest sceptisch over geautomatiseerde personalisatie, omdat B2B-klanten het kunnen herkennen en personalisatie die gegenereerd overkomt het tegenovergestelde uitstraalt van wat ermee wordt beoogd.

Waarom AI-analyse strikte waarborgen vereist

AI blinkt dus uit in het vinden van patronen. Maar daaronder vallen ook schijnbare patronen.

AI verzint specificiteit. Kleine, plausibele bevindingen: een getal binnen het juiste bereik, een citaat dat juist klinkt. En als je onderbouwing zoekt voor iets wat je al gelooft, zul je die vinden.

We zijn dus strenger geworden, niet soepeler: elk getal en elk citaat dat we publiceren moet terug te voeren zijn op een specifieke bron, en wanneer iets niet klopt, markeren we dat in plaats van het glad te strijken. AI heeft zowel ons plafond als het vereiste niveau van discipline verhoogd.

Hoe AI organisatorische silo's kan wegnemen

Iedereen herontwerpt de klantgerichte laag — chatbots, afhandeling zonder menselijke tussenkomst, geautomatiseerde benadering. Bijna niemand herontwerpt de laag daaronder, waar de kennis van het bedrijf versnipperd aanwezig is.

De operationele afdeling kent je tijdige leveringen. De verkoopafdeling weet welke accounts zijn gestopt met het bestellen van een productlijn. De digitale afdeling weet wie bestelt, bestellingen afbreekt of vastloopt tijdens het bestellen. De financiële afdeling weet wat er met de marge is gebeurd. CX weet hoe klanten zich voelen. Vijf groepen, vijf datasets, vijf systemen. Niemand beschikt over alle vijf.

Het antwoord op "Waarom is dat account gekrompen?" bestaat binnen je bedrijf, maar is verspreid over mensen die niet in dezelfde vergadering zitten. Zoals ik tegen mijn klanten zeg: "Je wist alleen wat je weet." Wat zou er kunnen gebeuren als je alle onsamenhangende kennis in je organisatie zou kunnen ontsluiten? Wat zou dat mogelijk maken?

Het is geen gegevensprobleem. Een vijfde dashboard toevoegen zal het niet oplossen. Het is een modelprobleem — zonder een keten die operations met emotie, gedrag en omzet verbindt, levert meer data je alleen meer losgekoppelde gegevens op.

Hier bewijst AI zijn waarde, en het is niet de toepassing die de aandacht krijgt. AI kan alle vijf tegelijk aan. Het kan e-mails lezen, operationele geschiedenis en bestelpatronen naast elkaar leggen en ontdekken waar ze samenkomen.

Het technische gedeelte was het eenvoudige deel. De gegevens verkrijgen is het moeilijke deel. Elke keer weer. Daarom werkt dit niet als een analyseproject. Het vereist een sponsor — iemand die hoog genoeg in de organisatie staat om de verschillende groepen die over de gegevens beschikken bijeen te brengen en hen uit te dagen te ontdekken waar groei weglekt over de informatiesilo's heen.

Jim deelt

Kijk naar wat je vorig jaar hebt geautomatiseerd en leg dat vervolgens over de fasen van de klantreis heen waarin je klanten bepalen of je hun klandizie waardeert. Als je die cruciale contactmomenten hebt weggeautomatiseerd, heb je niet op kosten bespaard — je hebt onbedoeld je omzetprognose verlaagd.

Waarom organisaties zich richten op de verkeerde AI-statistieken

Vraag de meeste bedrijven wat AI heeft verbeterd en ze zullen het hebben over afhandelingspercentages en responstijden. Met andere woorden: ze vertellen je hoeveel menselijk contact ze hebben geëlimineerd. Vervolgens zeggen ze dat de tevredenheid stabiel is gebleven.

Dat is waarschijnlijk ook zo. Dat is de valkuil.

In onze benchmark was 81% van de klanten tevreden. Slechts 27% was van plan om meer zaken te doen. De tevredenheid bleef overeind. De groei niet.

Dit is wat ik zou doen. Kijk naar wat je vorig jaar hebt geautomatiseerd en leg dat vervolgens over de fasen van de klantreis heen waarin je klanten bepalen of je hun klandizie waardeert. Als je die cruciale contactmomenten hebt weggeautomatiseerd, heb je niet op kosten bespaard — je hebt onbedoeld je omzetprognose verlaagd.

Hoe CX-leiders AI kunnen inzetten om aan tafel te komen

Zoals ik al zei, heb ik 34 bestuurders uit de directie geïnterviewd over hun prioriteiten, en allemaal noemden ze groei. Bijna niemand bracht klantbeleving uit zichzelf ter sprake als belangrijk onderwerp — ondanks dat ze wisten dat ik een toonaangevende deskundige op het gebied van klantbeleving ben, dat CXPA de bijeenkomst sponsorde en dat CX in de uitnodiging voor de bijeenkomst stond.

Dat klinkt als slecht nieuws. Dat is het niet. De kloof is niet dat je bestuurders niet om klanten geven — het is dat niemand hun heeft laten zien hoe klantbeleving geld oplevert.

Bestuurders vonden het veel belangrijker wat klanten deden dan wat klanten zeiden. Toen ik vroeg waar ze naar kijken om de gezondheid van het bedrijf te beoordelen, noemden ze P&L-trends, fulfilmentstatistieken, tijdige levering, de snelheid van de verkooppijplijn en gewonnen RFP's. Retentie. Herhaalaankopen. Maatstaven voor sentiment — inclusief NPS — kwamen bijna nooit ter sprake. Dit sluit aan bij de bevinding van het XM Institute dat de meeste CX-programma's hun waarde niet kunnen aantonen. Waarom zou iemand uit de directie CX ter sprake brengen?

Een van hen verwoordde het beter dan ik dat kan. "We hebben dashboards vol achterlopende indicatoren. Achterlopende indicatoren zijn eenvoudig. Het moeilijke is om de voorlopende indicatoren te vinden."

Sla dit niet over, want hier ligt jouw kans. Emoties en gedrag zijn de voorlopende indicatoren. En jij beschikt over de emotionele gegevens — ervan uitgaande dat je emoties meet (en dat zou je moeten doen). Niemand anders in je bedrijf beschikt over die gegevens.

Dit is dus het advies: Stop met presenteren wat klanten voelen. Begin met presenteren wat het voorspelt.

Er loopt een keten van activiteiten naar omzet. Je bedrijf gebruikt operationele knoppen — levering, communicatie en probleemoplossing. Die creëren emoties bij je klanten. Emoties veranderen gedrag. Gedrag komt tot uiting in euro's. Knoppen, emotie, actie, euro's — die keten heet De Groeiketen™ , en we gebruiken het acroniem LEAD om haar beter te onthouden. De operationele afdeling beheert de eerste schakel, financiën de laatste, en de twee middelste zijn van jou. Dat zijn ook de twee die niemand meet.

Dit is waar AI onmisbaar kan zijn: het ontdekken en rapporteren over deze verbanden.

Drie van de vier CX-programma's tonen nooit een verband met financiële resultaten aan. Dat is het getal waar je je zorgen over zou moeten maken, want het is het getal waardoor je budget wordt gekort zodra de marges onder druk komen te staan.

Waar je moet beginnen, is kleiner dan je denkt. Kies twee accounts — één die groeit en één die achteruitgaat. Breng de keten voor beide in kaart. Begin bij het groeiende account bij de operationele verandering en werk vooruit. Begin bij het account dat achteruitgaat bij de omzet en werk achteruit.

Voeg vervolgens drie vragen toe aan een enquête die je al verstuurt. Hoeveel vertrouwen heb je erin dat we aan je toekomstige behoeften kunnen voldoen? In hoeverre voel je je gewaardeerd als klant? In welke mate opereren we als een echte partner in je bedrijf?

Twee accounts en drie vragen. Doe dit dit kwartaal en je loopt een ruimte binnen met iets wat niemand anders in je bedrijf kan produceren.

En stop met vragen om een plaats aan tafel. Je krijgt die plaats niet door erom te vragen. Je krijgt die door je CEO te laten zien dat een specifieke operationele investering heeft veranderd hoe klanten zich voelden — en dat die verandering de omzet heeft beïnvloed.

Volg mee

Je kunt het werk van Jim Tincher volgen op LinkedIn. Bekijk ook Heart of the Customer.

Er komen nog meer interviews met experts op The CX Lead!